Cartografía detallada de formaciones vegetales empleando ortofotografía del
PNOA y Clasificación Basada en Objetos (OBIA - Object-Based Image Analysis)
Oliver Gutiérrez-Hernández (1)
, Ricardo Díaz-Delgado (2)
, Rafael Cámara-Artigas (3)
y Luis V. García (1)
(1) Biogeoquímica, Ecología Vegetal y Microbiana, Instituto de Recursos Naturales y Agrobiología, CSIC, Reina
Mercedes 10, 41012-Sevilla, España. Emails: [email protected], [email protected] (2)
Laboratorio de SIG y Teledetección (LAST-EBD), Estación Biológica de Doñana, CSIC, Américo Vespucio s/n,
41092-Sevilla, España. Email: [email protected] (3)
Departamento de Geografía física y Análisis Geográfico Regional, Universidad de Sevilla, C. / María de Padilla s/n,
41004-Sevilla, España. Email: [email protected]
Resumen: Las imágenes de alta resolución espacial constituyen la principal fuente en los trabajos de fotointerpretación
que producen los mapas de coberturas vegetales oficiales. Este elevado nivel de detalle -de gran utilidad en el análisis
visual- resulta excesivo para el análisis digital basado en píxeles cuando nuestro objetivo es la diferenciación de objetos
definidos por unos límites, sea por la variabilidad espectral de las cubiertas que lo caracterizan o por las escasas
diferencias espectrales existentes entre objetos contiguos. Complementariamente, existen cualidades que permiten
definir los objetos espaciales: escala, textura, forma, contexto. En el presente trabajo, proponemos una clasificación
basada en objetos para la detección de formaciones vegetales ecológico-fisionómicamente homogéneas empleando la
ortofotografía del Plan Nacional (PNOA). Estas imágenes tienen 50 centímetros de resolución espacial y ofrecen datos
espectrales del visible e infrarrojo cercano. Realizamos una segmentación multiescala de las imágenes analizando
componentes espectrales y espaciales. Definimos un juego de reglas de clasificación para calibrar los componentes de
los objetos. Utilizamos datos de campo y validamos los resultados con regiones de interés. Los mapas derivados
permiten discriminar formaciones vegetales ecológico-fisionómicamente homogéneas con un gran nivel de detalle,
adecuado para estudios generales de vegetación, ecología de paisaje y modelos de erosión.
Palabras clave: cartografía, formaciones vegetales, clasificación basada en objetos, OBIA, PNOA
Detailed mapping of vegetation using aerial orthophotographic imagery and Object-Based Image
Analysis (OBIA)
Abstract: High-resolution spatial images are the main data source in photo-interpretation projects that produce official
land cover and vegetation maps. High resolution aerial imagery – highly useful in visual analysis- is excessive for pixel-
based analysis, when our goal is the differentiation of objects defined by limits. This is due to the fact that the huge
spectral variability of cover or because of the few spectral difference between contiguous objects. In addition, beyond
the pixel-based classification, there are qualities that can define space objects better: scale, texture, shape, and context.
In this paper, we propose an object-based classification to detect physiognomic-ecological units using aerial
orthophotographic imagery from the National Plan for Aerial Orthophotography (PNOA). These images have four
bands (visible and near infra-red) with a 50 cm spatial resolution. We performed a multiscale image segmentation by
analysing spectral and spatial components. We defined a set of classification rules to calibrate the components of the
objects. We used field data and validated the results with regions of interest. The maps derived allow the differentiation
of physiognomic-ecological units with a great level of detail, suitable for general studies of vegetation, landscape
ecology and erosion models.
Keywords: cartography, vegetation, Object -Based Image Analysis, OBIA, PNOA
1. INTRODUCCIÓN
Las imágenes aéreas suelen emplearse como soporte
para la generación de productos cartográficos básicos y
temáticos. En nuestro país, diferentes administraciones
(Ministerios, Consejerías) han utilizado fotografías
aéreas orto-rectificadas para obtener la base cartográfica
y altimétrica de referencia. Asimismo, la producción de
cartografía sobre ocupación, usos y coberturas vegetales
(SIOSE, MUCVA) se realiza mediante trabajos de
fotointerpretación apoyados fundamentalmente en
ortofotografías debido a la precisión y exactitud de las
mismas.
La fotointerpretación es un procedimiento cualitativo
utilizado para extraer información temática de las
imágenes aéreas (Fernández García, 2003). A través de
esta técnica, un operador o fotointérprete identifica las
diferentes coberturas que forman parte de la imagen,
codifica explícitamente sus límites y asocia un atributo
temático. Es un procedimiento laborioso que requiere
conocimiento experto del operador. Primero se define
una leyenda y luego se identifican sus componentes u
objetos sobre la imagen.
Previamente, es necesaria una fase de documentación y,
cada vez más, se manejan técnicas de teledetección para
apoyar la toma de decisiones. En función de las
necesidades de trabajo, los objetivos establecidos y el
nivel de exactitud requerido, se recurre al trabajo de
campo para contrastar o complementar la información.
La fotointerpretación ofrece muy buenos resultados
cuando deseamos identificar objetos explícitamente,
pero requiere una gran cantidad de tiempo y recursos
humanos y la información suele extraerse a partir de
criterios eminentemente visuales percibidos en la
imagen.
Junto con estos procedimientos manuales, con el
objetivo de extraer información temática, las imágenes
satelitales también se emplean para identificar
coberturas terrestres a través de métodos automatizados
o semi-automatizados (Chuvieco, 2008). En ambos
casos, esta aproximación fundamenta la clasificación a
partir de la información suministrada por los niveles
digitales de cada píxel en las diferentes bandas del
espectro electromagnético incorporando algoritmos
matemáticos. Los algoritmos automatizados son
realmente efectivos cuando intentamos cartografiar
coberturas en regiones muy extensas debido a que nos
permiten ahorrar tiempo y recursos humanos e
incorporar múltiples bandas en el análisis, pero los
resultados no definen explícitamente objetos, sino
coberturas homogéneas producto de la integración de
píxeles.
Existe una tercera opción para clasificar las coberturas
terrestres: es la denominada clasificación orientada a
objetos mediante técnicas de segmentación de
imágenes. Este procedimiento también utiliza los datos
espectrales suministrados por los píxeles para definir las
diferentes coberturas pero se basa en otros criterios para
identificar explícitamente los objetos espaciales
(Blaschke, 2010). Así, por ejemplo, la textura define la
variación entre píxeles contiguos y el contexto define
las relaciones espaciales de cada píxel con el conjunto
de la imagen. Pueden combinarse múltiples reglas de
clasificación en función de criterios espectrales,
texturales y contextuales y estos pueden adaptarse en
función de la escala de la imagen y nuestros objetivos
de trabajo.
En esta comunicación exponemos un flujo de trabajo
para identificar formaciones vegetales ecológico-
fisonómicamente homogéneas a partir de una
ortofotografía de alta resolución. Todo ello con el objeto
de demostrar la ventaja de estas técnicas sobre los
procedimientos de fotointerpretación tradicionalmente
empleados para producir cartografía de usos y
coberturas vegetales.
2. MATERIAL Y MÉTODOS
2.1. Área de estudio
Nuestro ámbito de estudio (Figura 1) se ubica dentro de
la Reserva Biológica de Doñana integrada en el Parque
Nacional de Doñana, en el área central donde crecen los
alcornoques centenarios de Las Pajareras.
En concreto, definimos un cuadrado de 2 km x 2 km
(Figura 2). En esta extensión de 4 km2 están
representadas diferentes comunidades vegetales propias
del monte mediterráneo: formaciones arboladas,
matorrales y pastizales.
Figura 1. Situación
2.2. Base de referencia cartográfica y temática
Hemos utilizado un fragmento de la hoja 1014 de la
ortofotografía de 2008 procedente de los productos
fotogramétricos del Plan Nacional de Ortofotografía
Aérea (PNOA). Es una imagen en formato TIFF (16
bits) que contiene cuatro canales: Rojo, Verde, Azul e
Infrarrojo. El PNOA es un proyecto que coordina el
Ministerio de Fomento a través del Instituto Geográfico
Nacional y el Centro Nacional de Información
Geográfica en colaboración con otros ministerios
interesados y las diferentes administraciones
autonómicas y sus respectos organismos competentes en
materia de teledetección y cartografía. Uno de los
objetivos del plan es la obtención de ortofotografías
aéreas digitales con una resolución de 0,25 a 0,50m con
una frecuencia de actualización de 2 a 3 años.
Conjuntamente, se ha utilizado la base cartográfica y
temática del Sistema de Información sobre Ocupación
del Suelo de España (SIOSE) y Cartografía de
Vegetación de Andalucía 1:10.000 (Rediam, 2009),
también conocido como VEGE10, para documentar la
clasificación y definir la leyenda.
Figura 2. Imagen aérea en falso color y clases
fotointerpretadas para validar los resultados
2.3. Procesamiento de la imagen
La imagen ha sido procesada mediante el programa
eCognition. Por un lado, agregamos los cuatros canales
de la imagen con el objeto de determinar la respuesta
espectral de las coberturas vegetales, empleando los
siguientes índices:
NDVI (Normalised Difference Vegetation Index):
(Red-NIR) / (Red+NIR+0.0001)
NDWI (Modification of Normalised Difference Water Index):
(Green-NIR) / (Green+NIR+0.0001)
Por otro lado, implementamos algoritmos basados en
segmentación multiescala, criterios texturales, de forma
y contextuales. En el primer bloque, trabajamos con un
rango de escala entre 15 y 1000 píxeles. Y en el
segundo bloque, la textura y el contexto se modelaron a
través de una ratio (0-1) contrastando en el primer caso,
color versus forma; y, en el segundo caso, suavidad
versus compacidad.
La clasificación se ha basado en criterios ecológico-
fisonómicos. Definimos un total de cinco clases: monte
blanco, monte negro, pinar, pastizal y sin vegetación.
Previamente, partiendo de la leyenda de VEGE10,
dibujamos sobre la fotografía aérea, apoyados por datos
de campo, áreas definidas en función de cada clase para
validar los resultados. En total, diez polígonos por clase.
Después de la segmentación de la imagen, asignamos
regiones de interés (ROI) para fundar la clasificación,
procurando que estas fueran diferentes a las generadas
para validar las clases. Finalmente, realizamos la
clasificación utilizando los siguientes algoritmos:
Bayesiano, Máquina de vectores de soporte, K vecinos
más próximos, Árboles aleatorios y Árboles de decisión.
3. RESULTADOS
La segmentación (Figura 3) produjo resultados óptimos
utilizando un mínimo de 50 píxeles para definir
unidades mínimas y criterios balanceados (0,45/1) entre
color-forma y suavidad-compacidad para discriminar
cubiertas.
Figura 3. Segmentación multiescala y clasificación
El algoritmo Bayesiano fue el método de clasificación
más exacto (Tabla 1), con una exactitud del 95,67 %;
frente a los árboles de decisión, cuya exactitud baja
hasta el 88,66 %.
Por clases y según el método de clasificación bayesiano,
el monte negro fue la cubierta mejor clasificada frente al
pinar (Tabla 2). Los resultados cartográficos de la
clasificación se muestran en la Figura 4.
Tabla 1. Exactitud de los algoritmos clasificadores
Tabla 2. Exactitud detallada del clasificador bayesiano
Figura 4. Clasificación
4. DISCUSIÓN
La segmentación multiescala es un procedimiento de
gran utilidad para identificar y discriminar coberturas
vegetales. Trabajando con umbrales de escala es posible
identificar objetos muy pequeños y la combinación de
criterios espectrales, de textura, de forma y
contextuales, permite además discriminar entre
diferentes cubiertas.
En general, los algoritmos clasificadores obtienen
buenos resultados, aunque dadas las diferencias
existentes entre ellos, conviene trabajar con más de un
clasificador para elegir el mejor. En nuestro caso, los
resultados más exactos se obtuvieron con el método de
clasificación bayesiano, frente a los árboles de decisión.
Los métodos de clasificación basados en Árboles de
decisión son menos estables cuando empleamos pocos
datos de entrenamiento y validación.
Los mapas elaborados mediante clasificación basada en
objetos son más precisos que los elaborados mediante
procedimientos manuales. Además, posibilitan una
semiautomatización del proceso de fotointerpretación,
aunque conviene adoptar una solución de compromiso
en función de los objetivos de nuestro trabajo y los
niveles de exactitud y precisión requeridos.
Los mapas producidos tienen unos niveles de precisión
y exactitud adecuados para realizar estudios de
vegetación y paisaje, y también son adecuados para
emplearse en modelos de erosión basados en la diferente
respuesta de las cubiertas. Sin embargo, para producir
mapas de usos y coberturas detallados, es importante el
conocimiento experto del operador, pues el error
siempre estará presente tanto en la fase de segmentación
como en la clasificación.
5. AGRADECIMIENTOS
Este trabajo ha sido posible gracias a una Beca Jae-
Predoc cuyo beneficiario es Oliver Gutiérrez
Hernández. Asimismo, los trabajos también han sido
financiados por los proyectos DECALDO (OAPN
091/2009) y BIOGEOBIRD (P09-RMN-4987).
6. BIBLIOGRAFÍA
Blaschke, T., 2010. Object based image analysis for
remote sensing. J. Photogramm. Remote Sens. 65,
2–16.
Chuvieco, E., 2008. Teledetección ambiental. Ariel,
Barcelona.
Fernández García, F., 2003. Introducción a la
fotointerpretación. Ariel, Barcelona.
REDIAM - Red de Información Ambiental de
Andalucía (2009). Cartografía y evaluación de la
vegetación y flora de los ecosistemas forestales de
Andalucía a escala de detalle 1996-2006 (1:10.000).
Consejería de Medio Ambiente. Junta de Andalucía.
Sevilla.
Algoritmo Exactitud (%)
Bayesiano 95,63
Máquina de vectores de Soporte 94,21
K vecinos más próximos 92,51
Árboles aleatorios 90,9
Árboles de decision 88,66
Cobertura Exactitud (%) Sin vegetación 95,96
Pastizal 95,34
Monte blanco 94,66
Monte negro 98,08
Pinar 94,19